AI 写代码的一切：编码助手、Vibe Coding、代码模型评测与开发工作流变革。
Axiom 这家成立七个月的初创公司，在 2025 年 Putnam 数学竞赛里解出了全部 12 道题，限时内得分 8/12，不限时则拿到满分 120 分，超过了已知的 DeepSeek 成绩（103/120）。CEO Carina Hong 说，他们的模型在 Verina ProofGen 基准上跑出了 187/189（约 99%），而 OpenAI...
推荐理由：HKR 三项都站得住：Putnam 限时成绩和 o3 的 4.9% 一对比，故事性就出来了；187/189 和 12 道题的具体数字让信息有抓手；话题本身踩在推理能力、评测公信力和 OpenAI 竞争这几个热点上。分数定在 80 是合适的，因为这是一篇 Latent Space 的访谈和研究分享，不是一次大规模模型发布，影响力范围有限。
作者开源了一个叫 Vulpine 的编译器，能把 Python 源码转成一种专门给代码模型看的紧凑表示。在约 1.3 万个留出测试文件上，token 用量平均减少了 14%，而且 99.8% 的情况下能无损还原回原本的抽象语法树结构。代码已经挂在 GitHub 上。不过正文没披露具体测试了哪些模型、省下的 token 对生成质量有没有影响，这点先别太激动。
推荐理由：这个 Vulpine 编译器把 Python 转成模型更容易消化的表示，实测能省 14% 的 token，往返还原成功率也高。我会先打个折：帖子没披露在真实下游任务里效果如何、编译速度多快、那 0.2% 的失败案例长什么样，所以目前只能当个有潜力的早期实验看。但思路本身对压降代码 agent 的推理成本有参考价值，数字也给了，值得从业者扫一眼。
谷歌 DeepMind 把 Gemma 4 系列的开源权重挂上了 Hugging Face，一共五个尺寸。其中 12B 这个版本支持文本、图片和音频三种输入，同时放出了指令微调版和预训练版。它原生支持系统提示词和函数调用，上下文窗口最长能到 256K token，意味着一次可以塞进很长的文档或对话记录。不过 Reddit 原帖被网络策略拦截，正文没披露...
推荐理由：Gemma 4 这次把开放权重、多模态和 256K 长上下文一起端上来，比常规版本更新更有看头。我会先打个折：正文没给具体 benchmark 和 license 细节，官方博客也没同步，所以判断先停在 83 分。如果是真的，12B 这个尺寸能跑图、能听音频，对本地玩家挺省钱。
这篇文章我没能看到正文，微信页面显示环境异常需要验证。从已有的英文摘要看，作者许晓斌提出了一个判断：用 AI Agent 做开发，能把从“有想法”到“出代码”的周期从几周甚至几个月压缩到几分钟。他举了几个例子，包括用 Agent 搭周报系统、多角色 Agent 协同开发、自动配镜像仓库。文章还点出了现有研发设施跟 Agent 开发模式不匹配的地方，比如...
推荐理由：这篇文章不是产品发布或模型评测，而是一篇基础设施层面的评论。我会先打个折，因为案例都来自作者自己的实践，没有第三方验证，但“周/月级压到分钟级”这个说法配上具体场景，对从业者来说有参考价值。正文没披露多角色 agent 协作的成功率和翻车率，这点先别太激动。整体放在 featured 里合理，属于那种看完会让你重新打量自己团队流水线的东西。
微软在Build大会上发布了7个MAI系列模型，覆盖文本推理、代码、图像、语音转文字和语音合成。主角是MAI-Thinking-1，一个35B活跃参数的混合专家模型，支持256K上下文窗口。它被定位为微软首个推理模型，训练数据链条干净，没有用任何第三方模型做蒸馏。随模型一起公开的109页技术报告在圈内评价很高，因为透明度给得足。报告里写明，模型的推理能...
推荐理由：我会先打个折：微软这次没公开模型权重、定价，也没给第三方评测结果，所以没法验证它实际有多强。但光凭 7 个模型、35B 激活参数的 MoE、256K 上下文和 109 页技术报告这几个硬数字，信息密度已经够高。加上这事发生在 Build 大会，直接摆在微软自家模型和 OpenAI 依赖的交叉点上，话题性拉满。正文没披露具体 benchmark 分数，这点先别太激动，但作为当天新闻，重要性给到 87 是合理的。
扣子3.0把智能体协作搬到了项目里，支持iOS、安卓、Mac、Windows和网页端。你可以把本地跑的Claude Code、Codex CLI这类命令行智能体导进去，在手机上授权后直接让它读你电脑里的PDF。正文没披露具体延迟和资源占用数据，实际体验得自己跑一遍才知道稳不稳。
推荐理由：HKR 三项都踩中了：扣子 3.0 让手机能远程指挥电脑里的 Agent，还支持导入 Claude Code 这类命令行工具，等于把 Agent 协作和跨设备控制绑在一起。不过它本质上还是一个产品更新，正文没提定价、推送范围和本地文件读取的安全边界，所以先放在 featured 这一档。
这篇来自 WSJ 的报道梳理了 OpenAI 总裁 Greg Brockman 和 Anthropic 联合创始人 Dario Amodei 之间长达九年的矛盾。核心冲突是，在 OpenAI 内部研发一个后来演变成 ChatGPT 的项目时，Dario Amodei 直接禁止 Greg Brockman 参与。文章还提到，Brockman 现在负责 O...
推荐理由：我会先打个折：这不是模型发布或现任高管离职，所以放在 featured 里算合理。但 WSJ 挖出的料够硬——Dario 当年直接不让 Brockman 碰 ChatGPT 的前身，这比普通的口水仗有信息量。后面 Brockman 管了近 1500 人的产品战略，也说明他现在在 OpenAI 的盘子有多大。两条事实一前一后，把两家公司的旧怨和现状串起来了，对关注 AI 公司权力格局的人有参考价值。
@mvanhorn 分享了一套让 AI 智能体干活的工程方法，核心是把开发流程从“人写代码”扭成“人定方向、智能体执行”，工作台从 IDE 搬到了终端和一份 plan.md 计划文件。整体走 Research → Plan → Work 循环，用 plan.md 来约束智能体行为。帖子总结了 22 条实战技巧，覆盖规划、并行执行、输入方式、远程控制这些...
推荐理由：这是一篇从业者的方法总结，不是模型发布或产品上线。正文没披露完整工具栈清单，所以我会先打个折。但 Research→Plan→Work 循环和 plan.md 约束的思路很具体，22条技巧也给了可操作的抓手，对正在折腾智能体工程的人有直接参考价值，放在 featured 档刚好。
MAI 从 487 万个开源 PR 里筛出 26.5 万道可训练题目，又为它们建了一套三层判分体系。AI 编程这两年真正的变化不是模型变聪明了，而是训练基础设施被工业化了：出题从手工活变成了流水线，批改也从“单测全绿就行”升级到能检查工具使用效率和前端视觉质量。
推荐理由：这篇文章没发模型、没给跑分，但把“vibe coding”之后该看什么讲清楚了：训练数据怎么筛、判分怎么搭、工程成本怎么控。487 万 PR 筛到 26.5 万题，这个压缩比本身就说明他们在做苦活，不是随便抓一把数据就训。三层判分体系正文没展开细节，但至少表明他们知道代码题不能只靠单次通过率来评。我会先打个折：没看到开源计划、也没看到实际训练出来的模型效果，所以目前更像一套训练基础设施的思路，离可复现的结论还差一步。对正在考虑自训代码 agent 的团队来说，这篇值得看，但别急着当标杆。
微软在模型发布卡里加了个新指标：平均 token 用量。他们的新模型在 SWE-Bench Verified 上拿了 71.6 分，但消耗的 token 只有 Claude Haiku 4.5 的三分之一。这意味着现在衡量模型得看两个维度：活儿干得怎么样，以及干这活儿花了多少钱。靠烧 token 刷榜、靠补贴打价格战的时代在翻篇。Uber 四个月烧光预...
推荐理由：H、K、R 三条都站得住。用“跑分除以 token 消耗”当钩子，比单纯报分数更让人想点进去看。71.6 分和三分之一的 token 量是实打实的新信息。不过文章没给出完整的测试配置和具体定价对比，所以重要性停在 78 分，我会先打个折，不往更高拉了。
OpenAI 在 6 月 3 日上线了 Codex Sites 的预览版，目前只给 Business 和 Enterprise 用户用。你可以把想法、表格或计划扔进去，它会生成一个带托管链接的交互式网站，比如仪表盘、项目看板或规划器。生成的网站可以通过 URL 分享给团队里的指定成员，一起看、一起改。文章举了个例子：财务主管能把静态表格变成一个实时调整...
推荐理由：这是个产品更新，不是模型或底层能力发布。Codex 能直接吐网站确实实用，但先别太激动——目前只对企业版用户预览开放，正文也没说清楚生成的网站能复杂到什么程度、能不能接真实数据。我会先打个折，把它放在中等权重的产品更新档位。
Claude Code 新增了动态工作流，核心是让它在运行时执行 JavaScript 文件，按需创建并协调多个子代理（subagent）。每个子代理有自己的上下文窗口，互不干扰，可以同时跑研究、安全分析和代码审查这些任务。官方举的例子是让一个子代理查漏洞、另一个审代码逻辑，主代理最后汇总结果。正文没披露子代理数量上限和额外费用怎么算，这点先别太激动。
推荐理由：HKR 三项全中：Claude Code 用运行时 JS 编排带独立上下文的子代理，这是个实打实的新功能。Anthropic 的品牌有加分，但这次是功能更新而非模型或平台级发布，所以分数落在 78–84 区间。正文没提具体性能数据和价格变化，这点先别太激动。
微软发了 MAI-Thinking-1，一个混合专家（MoE）模型，总参数 1 万亿但每次只激活 350 亿，跑起来相对省算力。它用 30T token 从零预训练，没拿第三方模型做蒸馏，这点比较硬气。微软管自己的迭代优化流程叫“爬山机器”，听着像在反复试错往上拱。成绩单上，AIME 2025 拿了 97.0%，LiveCodeBench v6 拿了 ...
推荐理由：微软发了 MAI-Thinking-1，一个 MoE 架构的推理模型，活跃参数 35B，总参数 1T，用 30T tokens 从零开始预训练。我会先打个折：正文没给任何跑分、开放方式或定价，所以没法判断实际水平。光看参数规模，35B 活跃部分在推理时成本不会太高，但 1T 总参数意味着训练和存储都不便宜。这点先别太激动，等有 benchmark 和访问方式再说。
Claude Code 加了一个动态工作流功能，你给它一个任务，它会现场写一段 JavaScript 来指挥多个子智能体分工协作。你可以指定用哪个模型、工作区隔离到什么程度，适合做研究、安全分析、代码审查这类复杂活，写好的工作流还能共享和复用。不过正文没提具体会多烧多少 token，也没说这个功能现在是不是所有人都能用，这点先别太激动。
推荐理由：HKR 三项都过，但文章只给了机制层面的细节，token 增量、推送范围和定价都没提。因为跟 Claude Code 直接相关，所以放在中量级产品更新里偏高的位置。
微软新放出的 MAI-Code-1-Flash 是个代码模型，只激活 50 亿参数就在 SWE-Bench Pro（一个让模型修真实 GitHub 问题的测试集）上跑出 51% 的分数。这个成绩放在小模型里算亮眼，但正文没披露它是在什么评测设定下跑的、用了哪些训练数据、什么时候发布，也没说部署条件。所以这个 51% 我先打个折看——不知道是不是挑过题、...
推荐理由：HKR 三条都过，靠的是微软这个 5B 活跃参数拿 51% SWE-Bench Pro 的说法。但正文没披露评测设置、训练数据和发布时间，信息缺口明显，分数只能压在 72–77 这个区间。
这个 CLI 工具把 Claude Platform 的所有 API 端点都搬到了终端里。你可以直接在命令行调用 Messages API、启动 Claude 托管的智能体，然后把返回结果用管道传给 shell 做后续处理。官方提到，用 Claude Code 这类编码智能体来理解这个 CLI 也没问题。正文没披露性能开销或额外费用，实际用起来会不会增...
推荐理由：Claude Platform CLI 在 HKR 三项上都站得住，是个实用的开发者工具更新。不过公告只给了能力范围，安装流程、权限控制、安全限制和定价都没提，我会先打个折——实际落地好不好用，还得看这些缺口怎么补。
微软在 Build 2026 上掏出了自己的第一款高级推理模型 MAI-Thinking-1。官方说这是个中等尺寸的模型，在一些软件工程基准上能跟一线模型打平。训练数据完全自建，没走知识蒸馏的捷径——也就是没拿别家大模型当老师来教它。这是微软在模型自研上的一次表态，之前它主要靠 OpenAI，最近两家刚重新谈了合作，关系没那么紧了。
推荐理由：微软在 Build 2026 发了 MAI-Thinking-1，说是中等规模推理模型，在软件工程基准上能打平领先模型。我会先打个折——正文没披露具体分数、访问方式和定价，所以没法判断它到底多强、多便宜。这点先别太激动。但这是微软第一个自研高级推理模型，信号很明显：它在试着减少对 OpenAI 的依赖，同时往开发者工具链里塞自己的货。
Uber 开始限制员工在 Claude Code 这类 AI 编程工具上的开销。公司今年早些时候 AI 预算就超支了，所以现在直接设了使用上限。具体上限是多少、哪些团队受影响、总预算是多少，正文都没披露。
推荐理由：这条消息好读，因为讲的是大公司用 AI 工具用到超预算，不得不踩刹车。Uber 设上限这个动作本身就是一个信号：编程助手类产品在企业里推，成本不是小数目。正文没给预算数字、上限规则和受影响人数，所以我会先打个折，不往大了吹。但对企业采购和工具定价的人来说，这个案例比很多技术评测更直接——它告诉你，就算工具好用，财务那边也会喊停。
GitHub COO Kyle Daigle 说，2026 年 AI 驱动的代码提交量涨了 14 倍，这给原本按人类节奏设计的 GitHub 基础设施带来了很大压力，公开的宕机问题也跟这有关。他聊了 Copilot 的演变：从代码补全到命令行工具、桌面应用、云端代理和 SDK，以及 WorkIQ、MCP 这些让模型接入 Slack、邮件等公司上下文的方...
推荐理由：HKR 三项都成立：GitHub 高管给出 14 倍 AI 代码提交这个具体数字，把 Copilot、Actions、MCP、WorkIQ 和云端 agent 串成一条线来讲，信息量够。不是重大产品发布，所以重要性停在 80 分。
Claude Code 的工程主管在 Code w/ Claude SF 2026 活动上分享了团队内部的变化。他们把智能体编程（让模型直接写代码、改代码）设为默认工作方式后，砍掉了传统的详细需求文档，改成“即时规划”——在动手前先让 Claude 收集上下文、理清任务。代码审查环节，Claude 会先过一遍代码风格和测试覆盖，人则把精力集中在法律合规...
推荐理由：这是 Anthropic 自家团队在 Code w/ Claude SF 2026 上的分享，不是模型发布或重大产品更新，所以分数压在 80 分左右。亮点在于他们公开了内部怎么用 Claude Code 干活：规划从提前设计改成即时按需，写代码前先让 Claude 把上下文理一遍，审查环节把风格和测试甩给 Claude，人只做法律和安全判断。这些机制写得实在，没有画饼，对工程团队有直接参考价值。但正文没披露具体效率数据或量化对比，所以别当性能报告看。